작성자: Aaron Zavora , Jonathan Thompson
건강보험 CFO가 일반적인 데이터 추출, 스프레드시트 작업, 수동 조정을 마친 후 월말 결산을 진행하면서, 예상보다 높은 의료 손실률(MLR)로 인해 재무 실적이 예산에 미치지 못하는 것을 확인합니다. BI 대시보드는 이러한 차이를 빠르게 보여줄 수 있습니다. 하지만 "MLR 상승"은 진정한 해답이 아닙니다. 질문의 시작일 뿐입니다.
어떤 사업 부문이나 시장이 이를 주도하고 있는가?
청구 비용이 상승했는가? 그렇다면 이용률, 단가, 서비스 믹스 중 무엇 때문인가?
특정 그룹이나 상품의 가격이 잘못 책정되었는가?
대상 인구의 이환율이 변했는가?
그리고 어떤 시정 조치를 취할 수 있는가?
보험사 재무 분야에서 AI가 제공하는 진정한 기회는 단순히 차이를 식별하는 것이 아닙니다. 무엇이 그 차이를 유발했는지 이해하고 어떻게 대처해야 하는지 파악하는 것입니다.
재무 분야의 AI 전환은 세 가지 변화를 동시에 가져옵니다. 보고 주기 단위가 아니라 몇 분 만에 답변을 얻을 수 있습니다. 리더들은 정형화된 보고서나 분석가의 작업을 기다릴 필요 없이 스스로 상세 정보를 직접 확인할 수 있습니다. AI는 청구, 매출, 가입자 정보를 넘어 임상 정보, 품질 지표, 위험 점수까지 동시에 분석하여 무엇이 차이를 유발하는지 평가할 수 있습니다.
데이터와 비즈니스 도메인에 대한 전문 지식이 서로 단절되어 있던 시절에는 이러한 작업이 현실적으로 불가능했습니다. 따라서 이제 과제는 재무 부서가 AI의 인사이트를 신뢰하고 조치를 취할 수 있을 만큼 AI가 건강보험 데이터와 비즈니스를 충분히 이해할 수 있는가 하는 점입니다.
바로 이 지점에서 Databricks와 Abacus가 힘을 합칩니다. Databricks는 조직이 거버넌스가 확보된 엔터프라이즈 데이터와 새로운 방식으로 상호작용할 수 있도록 데이터 및 AI 기능을 제공합니다. Abacus는 헬스케어 재무와 관련된 질문이 있을 때 이러한 기능에 필요한 보험사 특화 데이터 기반, 비즈니스 컨텍스트 및 운영 지식을 제공합니다.
수년 동안 비즈니스 인텔리전스는 누군가 던질 질문을 미리 예상하는 방식으로 작동했습니다. 팀은 보고서를 작성했고, 분석가는 대시보드를 만들었으며, 임원들은 누군가 페이지에 표시하기로 결정한 지표들을 검토했습니다.
수치가 변동되면 그 원인을 파악하기 위해 대시보드를 벗어나 조사할 분석가나 팀을 찾고, 다른 보고서를 추출하거나 여러 기록 시스템을 대조해야 했습니다. 그리고 모든 답변은 또 다른 작업(실행해야 할 또 다른 보고서, 구축하고 유지 관리해야 할 또 다른 대시보드)을 남겼습니다. 다음 질문이 제기될 때쯤이면 각 보고서나 대시보드는 이미 쓸모없는 과거의 데이터가 되어 있었습니다.
팀의 업무량은 늘어나고 효율성은 떨어지는 악순환이 반복되었습니다.
대화형 AI는 이러한 상호작용 모델을 변화시킵니다. 재무 리더는 대시보드가 보여주도록 설계된 수준에서 멈추지 않고, 일상적인 언어로 질문을 던져 답변을 얻은 다음, 방금 파악한 내용을 바탕으로 후속 질문을 이어갈 수 있습니다. 이 경험은 보고서를 훑어보는 것이 아니라 비즈니스를 심층 조사하는 것에 가까워집니다.
이를 통해 두 가지 전문 지식 사이의 장벽이 완전히 무너집니다. 임원은 비즈니스를 잘 알고 의사결정 권한을 가지고 있지만 데이터를 직접 쿼리할 수 없고, 분석가는 데이터가 어디에 있고 어떻게 구성되어 있으며 어떻게 다루는지 알지만 어떤 질문이 중요한지 항상 알지는 못합니다. AI는 이러한 인수인계 과정을 없애 줍니다. 이제 답변이 필요한 사람이 직접 질문할 수 있습니다.
하지만 이 대화의 품질은 AI가 그 이면에 있는 맥락을 얼마나 잘 이해하고 있는지에 달려 있습니다.
수년 동안 데이터 현대화의 화두는 주로 접근성에 관한 것이었습니다. 즉, 사람들이 활용할 수 있도록 청구, 가입자, 의료진, 계약, 임상 및 재무 데이터를 하나로 통합할 수 있는가 하는 점이었습니다. 이는 여전히 필수적이지만, AI는 또 다른 요구사항을 추가합니다. 바로 데이터가 무엇을 의미하는지 이해해야 한다는 점입니다.
가입자의 의료 서비스에 지출된 보험료 수입의 비율을 나타내는 MLR 지표를 예로 들어 보겠습니다. 정의하기는 쉽지만 계산하기는 어렵습니다. 청구액과 보험료는 구조와 시점이 서로 다르며, "의료" 비용은 실제로는 의료 청구, 약제비 청구 및 리베이트, 미보고 발생 손실액(IBNR), 지급 적정성 회수금, 위험 조정 이전금, 의료진 정산 등 다양한 구성 요소의 집합체입니다. 또한 이를 사업 부문, 시장 또는 상품별로 세분화해야 하며, 이러한 코호트를 정의하려면 기본적으로 제공되지 않는 정교한 비즈니스 로직이 필요합니다.
이러한 맥락이 없다면 AI 시스템은 방대한 데이터에 접근할 수 있어도 적절한 인사이트를 도출하지 못할 수 있습니다.
이러한 비즈니스 맥락의 상당 부분은 전통적으로 다음과 같이 서로 다른 곳에 흩어져 존재해 왔습니다.
AI가 재무 관련 질문에 신뢰할 수 있는 답변을 제공하려면 이러한 맥락이 더욱 명확하고 일관되며 재사용 가능해져야 합니다.
이것이 바로 보험사 특화 데이터 기반이 중요한 이유입니다. 건강보험 데이터는 임원들이 묻고 싶어 하는 질문에 맞춰 깔끔하게 정리된 상태로 제공되지 않습니다. 청구, 자격, 의료진, 계약, 임상 및 재무 정보는 서로 다른 시스템에서 서로 다른 형식, 관계, 시점으로 유입됩니다. AI가 이를 효과적으로 추론하기 전에, 건강보험의 운영 방식을 반영하는 방식으로 데이터를 연결하고 정리해야 합니다.
Abacus는 이러한 보험사 특화 기반을 제공합니다. 즉, 헬스케어 데이터를 일관된 구조로 통합하고 가입자, 청구, 의료진, 계약, 임상 정보 및 재무 지표 간의 관계를 이해하는 데 필요한 비즈니스 맥락을 추가합니다.
동일한 기초 데이터라 하더라도 "동일한" 지표가 계산하는 주체에 따라 다르게 정의되는 경우가 많습니다. 어떤 버전은 CFO의 월간 보고서에 포함되고, 다른 버전은 임시 분석 요청에 나타나며, 결국 누군가는 이를 대조해야 합니다. AI는 이 문제를 스스로 해결하지 못합니다. 일관된 정의가 없다면 오히려 문제를 증폭시킬 뿐입니다.
재무 리더에게 중요한 것은 단순한 정확성이 아닙니다. 답변이 비즈니스 운영 방식을 제대로 반영하고 있다는 신뢰입니다.
재무, 보험계리, 운영 팀이 일관된 성과 관점을 바탕으로 협업할 수 있도록 돕는 동일한 정의는 AI가 질문을 올바르게 해석하는 데 필요한 맥락도 제공합니다. 목표는 단순히 데이터를 한곳에 모으는 것이 아닙니다. 임원이 대화식으로 질문하든 분석가가 기존 방식으로 보고서를 작성하든, 데이터가 사용되는 모든 곳에서 데이터의 의미를 일관되게 이해하는 것입니다.
다시 CFO의 사례로 돌아가 보겠습니다. MLR이 예산을 초과했습니다. 어느 부분에서 초과했을까요? 무엇이 이를 유발하고 있을까요? 어떤 인구 집단, 서비스 또는 의료진이 이러한 변화의 원인일까요? 그리고 조직은 다음에 무엇을 해야 할까요?
각 질문은 이전 질문보다 더 많은 맥락을 요구합니다. 첫 번째 질문에는 재무 지표와 예산 비교가 필요합니다. 두 번째 질문에는 차이의 하위 구성 요소가 필요합니다. 세 번째 질문은 청구, 가입자, 의료진, 계약 및 케어 관리 데이터를 교차 분석해야 합니다. 네 번째 질문에 이르면 대화는 재무 보고를 넘어 운영 영역으로 이동합니다.
그렇기 때문에 진정한 기회는 KPI를 더 보기 좋게 표시하는 데 있지 않습니다. 임원의 신호 탐지부터 운영상의 상세 정보 확인(double-clicks)까지 연결된 경로를 구축하여, 재무 부서가 분석가에게 보고서나 데이터 대조 작업을 반복해서 요청하지 않고도 직접 탐색할 수 있도록 하는 데 있습니다. AI는 조직이 취해야 할 조치에 대한 판단을 대체하는 것이 아니라, 변화를 감지하는 시점과 조치를 취할 수 있을 만큼 충분히 이해하는 시점 사이의 거리를 좁혀 줍니다. 불필요한 소통 과정을 줄임으로써 각 반복 주기가 빨라지고, 빠른 반복은 의사결정 자체의 가치를 높입니다. 케어 관리 활동이 더 빨리 시작되고, 새로운 트렌드가 가격에 더 일찍 반영되며, 결과를 바꿀 수 있는 골든타임 내에 시정 조치가 이루어집니다.
MLR은 재무와 운영의 교차점에 있기 때문에 유용한 예시이지만, 기본 아키텍처가 MLR에만 국한되는 것은 아닙니다. 동일하게 연결된 보험사 데이터와 비즈니스 맥락은 지급 적정성, 총 치료 비용, 위험 조정, 품질 및 의료진 성과 전반에 걸친 질문을 지원할 수 있습니다.
이는 건강보험이 AI 투자에 대해 생각하는 방식을 바꿉니다. 대안은 자체 데이터, 자체 정의, 자체 비즈니스 관점을 중심으로 구축된 서로 단절된 AI 사용 사례의 모음입니다. 이는 건강보험이 수년간 제거하기 위해 노력해 온 것과 동일한 파편화이며, 단지 그 위에 AI 인터페이스가 얹혀 있을 뿐입니다.
공통의 지불자 인텔리전스 기반은 다른 경로를 제시합니다. 기본 데이터와 컨텍스트를 한 번만 올바르게 설정한 다음, 새로운 질문, 워크플로, AI 경험이 나타날 때마다 이를 재사용하는 것입니다.
사용 사례 전반에 걸쳐 데이터를 이미 연결하고 컨텍스트화한 건강보험은 새로운 질문이 생겼을 때 유리한 고지를 선점합니다. 하나의 기반 위에서 AI는 한 번에 하나씩이 아니라 여러 도메인을 동시에 살펴볼 수 있습니다. 저조한 성과는 언더라이팅, 케어 관리, 위험 조정, 품질, 네트워크, 제공자 참여 등 단일 변수로 인해 발생하는 경우가 드뭅니다. 중요한 것은 이들 간의 상호작용이지만, 각 도메인이 서로 다른 팀과 데이터 세트에 분산되어 있기 때문에 오늘날 이러한 다각적인 질문에 답하기는 어렵습니다.
Databricks는 엔터프라이즈 데이터를 거버닝하고 AI 기반 분석 경험을 구축하기 위한 데이터 및 AI 플랫폼 기능을 제공합니다. 여기에는 비즈니스 사용자가 자연어로 조직 데이터에 대해 질문할 수 있는 대화형 경험이 포함됩니다.
Abacus는 이러한 경험이 구축되는 지불자 맞춤형 기반을 제공합니다. 즉, 정규화되고 연결된 헬스케어 데이터, 지불자 맞춤형 모델 및 비즈니스 컨텍스트, 건강보험 재무 및 운영 워크플로 전반에서 정보가 이동하는 방식에 대한 깊은 이해를 제공합니다.
이러한 차이는 중요합니다. 범용 플랫폼은 AI 경험을 구축하기 위한 강력한 기능을 제공하지만, 건강보험 데이터에는 지불자 환경에 특화된 용어, 관계, 비즈니스 규칙, 운영 복잡성이 수반됩니다. 이러한 컨텍스트를 파악하는 것이 바로 건강보험 리더들이 가진 질문에 답할 수 있도록 해당 기능을 활용하는 열쇠입니다.
Databricks와 Abacus는 함께 AI 지원 기술에서 AI 지원 지불자 데이터로, 궁극적으로는 건강보험의 운영 방식을 반영하는 답변으로 이어지는 경로를 만듭니다.
지불자 재무에서 흥미로 운 질문은 이제 AI가 답변을 생성할 수 있는지 여부가 아닙니다. 그 답변이 유용하고 신뢰할 수 있을 만큼 비즈니스를 충분히 이해하고 있는지 여부입니다.
CFO가 MLR이 변동한 이유를 물을 때, 기술은 단순히 편차를 보여주는 것 이상의 역할을 해야 합니다. 재무 부서가 기본 지불자 데이터를 통해 해당 질문을 추적하고, 무엇이 변경되었는지 이해하며, 조직이 행동에 더 가까워지도록 도와야 합니다. 이를 위해서는 인터페이스 아래에 거버닝된 데이터, 공유된 비즈니스 의미, 지불자 맞춤형 컨텍스트가 필요합니다. 이것이 바로 Databricks와 Abacus가 함께 노력하고 있는 방향입니다. 단순히 건강보험 데이터를 더 쉽게 쿼리할 수 있도록 만드는 것이 아니라, 답변을 실행할 책임이 있는 사람들에게 더 유용하게 만드는 것입니다.
9월 17일 오전 9시 PT에 시작되는 웨비나에서 실제 작동 모습을 확인해 보세요. 여기에서 자리를 예약하세요!
(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)
블로그를 구독하고 최신 게시물을 이메일로 받아보세요.